[论文解读] Improving the Diversity of Top-N Recommendation via Determinantal Point Process.

Laming Chen, Guoxin Zhang+1 more|arXiv (Cornell University)|Sep 15, 2017

Stochastic Gradient Optimization Techniques参考文献 25被引用 16

一句话总结

本文提出了一种基于DPP的推荐方法，通过建模项目间的排斥关系来提升top-N推荐的多样性，实现可调节的多样性控制，并通过加速算法实现高效的推理。在公开数据集上的评估表明，该方法在准确率-多样性权衡方面优于当前最先进基线方法。

ABSTRACT

Recommender systems take the key responsibility to help users discover items that they might be interested in. Many recommendation algorithms are built upon similarity measures, which usually result in low intra-list diversity. The deficiency in capturing the whole range of user interest often leads to poor satisfaction. To solve this problem, increasing attention has been paid on improving the diversity of recommendation results in recent years. In this paper, we propose a novel method to improve the diversity of top-$N$ recommendation results based on the determinantal point process (DPP), which is an elegant model for characterizing the repulsion phenomenon. We propose an acceleration algorithm to greatly speed up the process of the result inference, making our algorithm practical for large-scale scenarios. We also incorporate a tunable parameter into the DPP model which allows the users to smoothly control the level of diversity. More diversity metrics are introduced to better evaluate diversification algorithms. We have evaluated our algorithm on several public datasets, and compared it thoroughly with other reference algorithms. Results show that our proposed algorithm provides a much better accuracy-diversity trade-off with comparable efficiency.

研究动机与目标

• 解决基于相似度的推荐系统中常见的低列表内多样性问题。
• 通过在top-N推荐中捕捉用户更广泛的兴趣，提升用户满意度。
• 为大规模场景下的多样性感知推荐开发一种实用且可扩展的方法。
• 引入可调节参数，使用户能够控制推荐中期望的多样性水平。
• 提供增强的评估指标，以更准确地评估推荐系统中的多样化性能。

提出的方法

• 采用确定性点过程（DPP）建模推荐项目之间的负相关性（排斥关系），以促进多样性。
• 设计一种加速算法，显著提升DPP推理速度，使其适用于大规模推荐场景。
• 在DPP核函数中引入可调节超参数，以控制推荐准确率与多样性的权衡。
• 采用基于DPP的采样机制，在保持与用户偏好相关性的同时选择多样化的项目集合。
• 将DPP模型集成到推荐流水线中，利用用户-项目交互数据计算项目相似性与DPP权重。
• 通过优化确定性点选择，应用DPP模型生成兼顾相关性与多样性的top-N推荐。

实验结果

研究问题

• RQ1 基于DPP的建模能否在保持推荐准确率的同时有效提升top-N推荐列表的多样性？
• RQ2 所提出的加速算法在大规模场景下对基于DPP的推荐推理速度有何影响？
• RQ3 DPP模型中的可调节参数在多大程度上可使用户控制推荐的多样性水平？
• RQ4 与现有多样性感知推荐算法相比，该方法在准确率与多样性权衡方面表现如何？
• RQ5 所引入的多样性指标是否比标准指标更能可靠地评估多样化性能？

主要发现

• 所提出的基于DPP的方法在多个公开数据集上相比基线算法实现了显著更优的准确率-多样性权衡。
• 加速算法显著降低了推理时间，使基于DPP的推荐在大规模应用中更具可行性。
• 可调节参数实现了对多样性水平的平滑控制，支持根据用户偏好进行定制化调节。
• 新型多样性指标相较于传统指标，能更细致且可靠地评估推荐多样性。
• 实证评估证实，该方法在显著提升列表多样性的同时保持了较高的推荐准确率。
• 该方法在多样性与准确率两方面均优于现有最先进算法，充分证明了其有效性与实用性。